PET-CT鼻咽部肿瘤多模态图像联合分割新方法研究

The segmentation of nasopharyngeal carcinoma has a great influence on the radiation precision, and it is one of the key issues in nasopharyngeal carcinoma radiotherapy. In current clinic, the segmentation is usually completed by doctors through manual interactions. However, repeated manual segmentation is time consuming and sometimes not accurate enough, which can reduce the radiation precision dramatically. Reseach of automatic nasopharyngeal tumor segmentation method is with great scientific and clinical significance. The goal of this study is to propose a new co-segmentation method based on PET-CT multimodal images, which can segment nasopharyngeal carcinoma accurately and automatically. Our research will focus on the co-segmentation model, optimal image feature extraction and the fusion of multimodal information. The main content includes: (1) Proposing a new image feature extraction scheme based on Homogeneous Block (HB). (2) Achieving anatomy priori based on the Location Distribution Map (LDM) of nasopharyngeal carcinoma. (3) Constructing a multimodal information fusion model based on multiple kernel learning technique. (4) Presenting a new classification method for high-dimensional features based on Local Linear Classification (LocLC) algorithm. This project will not only accumulate knowledge for common issues in multimodal image segmentation, but also provide an automatic target outlining method for nasopharyngeal carcinoma radiotherapy, which has an important scientific and clinical significance. Previous relevant work has published 8 papers cited by SCI, which laid a solid foundation for the implementation of this project.

鼻咽部肿瘤图像的分割关系到放疗靶区的勾画精度，是鼻咽癌放射治疗的关键问题之一。当前临床采用的依CT图像由医生手工分割完成靶区勾画的方式，存在工作强度大、精度低、重复性差等问题，对鼻咽癌的放射治疗精度有显著影响。鼻咽部肿瘤的自动分割已成为放射治疗领域亟待解决的关键问题。本项目拟提出一种基于PET-CT多模态图像的联合分割新方法，以期实现鼻咽部肿瘤的自动精确分割。申请者将从联合分割模型、图像优化特征、多模信息融合等多方面展开研究，主要内容包括：①基于同质块的特征提取新方法；②基于鼻咽部肿瘤分布统计图谱的解剖学先验；③基于多核学习的多模信息融合新方法；④基于局部线性分类的高维特征分类新方法。本项目将为解决多模态图像联合分割共性问题提供新的知识积累，同时为鼻咽癌放疗临床提供实用靶区自动勾画方法，有重要科学与临床应用意义。本项目前期研究工作已发表SCI论文8篇，为项目的实施奠定了坚实的基础。

鼻咽部肿瘤图像的分割关系到放疗靶区的勾画精度,是鼻咽癌放射治疗的关键问题之一。当前临床采用的依CT图像由医生手工分割完成靶区勾画的方式，存在工作强度大、精度低、重复性差等问题，对鼻咽癌的放射治疗精度有显著影响。鼻咽部肿瘤的自动分割已成为放射治疗领域亟待解决的关键问题。.本项目拟提出一种基于PET-CT多模态图像的联合分割新方法，以期实现鼻咽部肿瘤的自动精确分割。项目主要研究成果包括三部分：(1) PET-CT鼻咽癌肿瘤分割在理论与方法上的研究成果。提出了结合放射学特征的鼻咽癌肿瘤分割方法，首先基于标准化摄取值(SUVs)初始化分割结果，然后基于区域生长方法进一步精细分割鼻咽癌肿瘤；提出了利用U型卷积神经网络(U-NET)进行肿瘤分割，并基于待分割病灶区域占整幅图像比例较小这一事实，通过采样更多的肿瘤上的点让最终的损失函数更好的学习肿瘤信息，显著提高了PET-CT鼻咽癌肿瘤分割精度； (2) PET系统的空间分辨率，灵敏度，散射分数和噪声等效计数率等参数的测试评估。(3) 医学图像分割、分类、检索和配准中的一些共性问题取得的进展。提出了基于可变尺度块和局部独立投影的图像分割方法，可变尺度块可以在低维特征空间中表示出更多的图像信息，局部独立投影增加了形状先验的约束。该方法显著提高了分割精度；提出了基于局部线性表示和流形的方法，应用于肝脏动态增强MR图像配准，脑组织提取，以及海马体分割上；提出了对脑肿瘤区域环形增广方法，有效增加了肿瘤的相关信息，提高了分类和检索精度；提出一种秩误差学习的距离测度用于检索脑肿瘤，减少低维视觉特征和高维语义概念之间的语义鸿沟；针对阿尔兹海默症(Alzheimer’s disease, AD)患者早期诊断和分类问题，对医学图像与基因数据之间的联系进行建模；并且提出一种利用纵向变化信息、横向空间信息和多分辨率的AD分类框架，两种方法从不同的角度显著提高了AD分类和预测精度。